# StepFunがStepAudio 3 ASRを公開、AA-WER IndexのWERは1.7%

Artificial Analysisによると、StepFunのStepAudio 3 ASRはStepFun API経由で非ストリーミングの文字起こしに利用でき、AA-WER IndexのWERは1.7%でAlibabaのFun-Realtime-ASR-previewと同率、StepAudio 2.5 ASRの4.7%から低下した。文字起こし速度は実時間の88倍、料金は1時間あたり0.40ドル。

Language: ja
Time zone: Asia/Tokyo
Current time (UTC, cached as of): 2026-11-10T07:01:00.000Z
Query date (Asia/Tokyo): 2026-11-10

HTML: https://didcodexreset.com/ja/news/3fd06c264faf4be98bba0c8a.html

Content language: ja
Localization state: translated

出典：Artificial Analysis · 2026/9/23 04:52:54 公開

Artificial Analysisによると、StepFunは音声認識モデルStepAudio 3 ASRを公開した。StepFun API経由で非ストリーミングの文字起こしに利用できる。Artificial Analysisの非ストリーミング音声認識リーダーボードで首位に達した初のStepFunモデルで、AA-WER Indexの単語誤り率は1.7%、AlibabaのFun-Realtime-ASR-previewの1.7%と実質同率だ。Artificial Analysisが記録したStepAudio 2.5 ASRのWERは4.7%だった。

Artificial Analysisがホールドアウトした音声エージェント用データセットAA-AgentTalkでは、StepAudio 3 ASRのWERは1.4%。長尺のEarnings22通話では2.8%で、1.8%のFun-Realtime-ASR-previewに及ばない。

Artificial Analysisが測定した文字起こし速度は実時間の88倍で、MAI-Transcribe-2の374倍、Smallest AI Pulse Proの285倍、Grok Voice Transcribe 2.0の154倍を下回る。ElevenLabs Scribe v2の84倍、Gemini 3.5 Transcribeの91倍とほぼ同水準で、Fun-Realtime-ASR-previewの20倍を上回る。StepAudio 3 ASRの料金は1時間あたり0.40ドル、1,000分あたり6.67ドル。Artificial Analysisは、精度上位5モデルの中で最も高いとしている。MAI-Transcribe-2とGrok Voice Transcribe 2.0は1,000分あたり1.67ドル、ElevenLabs Scribe v2は1,000分あたり3.67ドルだ。

Tags: StepFun, StepAudio, 音声認識, Artificial Analysis, ASR

[元の投稿を見る](https://x.com/ArtificialAnlys/status/2102485740248842710)